德国的一个研究小组表示，一种基于F-18 FDG-PET/CT扫描常规数据的人工智能(AI)模型可以提高转移性肺癌患者分期治疗的准确性。

由柏林查理特医科大学的Julian Rogasch博士领导的一个研究小组开发了一种机器学习工具，用于帮助评估非小细胞肺癌(NSCLC)患者的纵隔淋巴结转移。他们发现该模型比PET的视觉评分更准确，并建议它可以帮助医生制定更准确的治疗方案。他们的结果发表在2月23日的《欧洲核医学和分子成像杂志》上，他们写道，该模型可以作为网络应用程序来进一步促进验证。

Rogasch博士及其同事写道：“此模型的开发旨在用于常规临床护理，根据F-18 FDG-PET/CT结果估计N2/3疾病（即存在N1、N2还是N3，这是决定II期和III期疾病的关键）的概率。这是基于常规可用的变量，其中大部分已经是常规临床护理中F-18 FDG-PET/CT报告的一部分。”

在非小细胞肺癌患者中，胸部淋巴结转移的准确成像对于治疗计划是至关重要的。作者解释说，患有N0/1疾病的患者通常需要手术，而患有更广泛的N2/3疾病的患者需要多模式治疗。他们指出，虽然F-18 FDG-PET/CT是最有效的方法，但它可能受到假阳性结果的限制，并且经常需要侵入性活检来确认可疑病例。

为了评估设计用于辅助这些病例的AI模型的价值，研究人员收集了491名非小细胞肺癌患者的数据，这些患者使用模拟PET/CT扫描仪或数字PET扫描仪进行了治疗前成像。根据使用的扫描仪将患者分为训练队列和验证队列，模拟训练和测试队列中有385人，数字验证队列有106人。

收集了40个临床变量、肿瘤特征和图像变量，如淋巴结F-18 FDG放射性示踪剂摄取（SUVmax），比较了几种机器学习方法中变量的不同组合。研究人员选择了一个含有10个特征值的梯度增强分类器作为最终模型。

上图来自一名训练和测试队列的54岁女性，患有右上叶G2腺癌（44 mm）。几个肺门和纵隔淋巴结的F-18 FDG摄取量高于正常肝脏（PET评分为3）。蓝色箭头示N2气管旁淋巴结，短轴7 mm，SUVmax为3.5。根据视觉评估，本例疑似N2疾病。根据梯度增强分类器模型，N2/3的概率仅为0.17。经超声引导下同侧肺门、气管旁和隆突下LNs经支气管穿刺活检证实患者为N0。图片由《欧洲核医学和分子成像杂志》通过CC BY 4.0提供。

梯度增强分类器模型显示，训练和测试队列中的AUC显著高于视觉PET评分（0.91 vs.0.87，p=0.003），验证队列中AUC略高（0.94 vs.0.91，p=0.023）。

作者写道：值得注意的是，梯度增强分类器模型优于纵隔上方淋巴结放射性示踪剂摄取的视觉评估，这是视觉F-18 FDG-PET/CT评估中最常见和最有效的诊断阈值。他们还报告说，两台扫描仪之间PET图像的协调确实会影响SUVmax和淋巴结的视觉评估，但不会降低模型的AUC。

为了便于进一步验证，该小组已将所有变量和机器学习代码作为开放数据发布，并在GitHub上使用了一个web应用程序。该网络应用程序需要用户输入10个特征值，以计算N2/3疾病的预测概率。

Rogasch博士及其同事表示，研究结果显示了很好的前景，值得进一步研究。

他们总结道：“我们期待介入试验中的外部验证和有效性证明。”